类别均衡与局部中值损失联合监督的自然场景人脸表情识别

近年来,卷积神经网络在实验室控制环境下的人脸表情识别任务中取得了很大进步,但是在自然场景中人脸表情识别方面仍然存在一些挑战.针对自然场景中人脸表情数据分布不平衡,以及由姿势、光照和性别等因素引起的类内差异大的问题,提出类别均衡与局部中值(class-balancedandlocalmedian,CALM)损失函数.CALM损失函数包含类别均衡Softmax损失函数和局部中值损失函数2个部分.其中,类别均衡Softmax损失函数将数据量较少且容易错分的害怕和厌恶2种表情标记为难样本,将其余5种表情标记为易样本;在网络训练过程中对难样本自适应地增大权重,以提高难样本的识别准确率,进而提高表情识别的平均准确率.此外,在每个类别中会有一些离类别内大多数样本较远的样本,它们的存在会导致用均值方法计算出的类别中心偏离类内大多数样本.在局部中值损失函数中,采用与每个样本属于同类别的若干近邻的中值作为类别中心,在一定程度上减弱离群样本对类别中心选择的影响.在RAF(real-worldaffectivefaces)数据集上进行实验,与局部子类方法相比,该方法的平均识别准确率提升了1.32%,证明了该方法的有效性.     

聚类混合型数据的密度峰值改进算法

聚类混合型数据，通常是依据样本属性类别的不同分别进行评价。但这种将样本属性划分到不同子空间中分别度量的方式，割裂了样本属性原有的统一性；导致对样本个体的相似性评价产生了非一致的度量偏差。针对这一问题，提出以二进制编码样本属性，再由海明差异对属性编码施行统一度量的新的聚类算法。新算法通过在统一的框架内对混合型数据实施相似性度量，避免了对样本属性的切割，在此基础上又根据不同属性的性质赋予其不同的权重，并以此评价样本个体之间的相似程度。实验结果表明，新算法能够有效地聚类混合型数据；与已有的其他聚类算法相比较，表现出更好的聚类准确率及稳定性。     

基于多种方法的海南岛万泉河流域汛期划分

汛期划分对防汛抗洪工作意义重大。采用SPSS聚类分析、判别分析和模糊统计试验方法,对海南岛万泉河流域汛期非汛期进行划分。聚类分析方法和判别分析方法的结果相互验证,均具有实际指导意义;但判别分析方法考虑了样本系列时序性问题,优于聚类分析方法。模糊统计试验方法对选用因子比较敏感,以流量为因子的划分结果优于以降雨为因子的划分结果。SPSS聚类分析、判别分析和以流量为因子的模糊统计试验方法结果相似。考虑实际工作方便,建议将每年5月上旬至11月下旬定义为万泉河流域汛期,12月上旬至次年4月下旬为流域非汛期。     

直流稳定电源输出功率测量不确定度的评定

直流稳定电源因其面板数字表准确度高,输出稳定可靠,可通过面板显示的电压和电流间接计算产品的功率。本文介绍了一种间接评定直流稳定电源的输出功率测量不确定度的方法。